Bibliographic record
Abstract
Cet article propose une synthèse des huit articles de ce numéro, qui sont issus du colloque « Prescriptivism(e) & Patriotism(e): du nationalisme à la mondialisation » tenu à Toronto les 17-19 août 2009. Pour faire bon accueil à une diversité de lectrices et lecteurs intéressés par les études françaises, cette synthèse situe les articles dans la grande conversation sociolinguistique qui porte sur les rapports entre langue et identité. Elle définit d’abord les deux concepts qui ont inspiré ce numéro : 1) le prescriptivisme, en rapport à une série de notions qui y sont reliées (norme, surnorme, bon usage, variation linguistique, marché linguistique) ; et 2) le patriotisme, en fonction de son lien essentiel avec l’identité (construction identitaire, rapport à l’autre, attitudes linguistiques, prestige manifeste, prestige latent). Elle résume ensuite chacun des articles, regroupés en trois parties, abordant chacune une facette de la dynamique patriotisme-prescriptivisme. La première partie traite du décalage entre les normes et les usages linguistiques et la perception de ces normes et de ces usages. La deuxième partie aborde la question de la vitalité linguistique, de l’érosion linguistique, de l’aménagement des langues et de leur revitalisation. La troisième partie montre les relations intestines, parfois même symbiotiques, entre le prescriptivisme et le patriotisme.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.008 | 0.010 |
| Science and technology studies | 0.004 | 0.010 |
| Scholarly communication | 0.014 | 0.013 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.014 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".